Tạp chí Khoa học Đại học Cần Thơ
DOI:10.22144/ctujos.2023.211
ỨNG DỤNG MÔ HÌNH SARIMA DỰ BÁO SẢN LƯỢNG XUẤT KHẨU BỘT CÁ
CỦA VIỆT NAM
Trần Đăng Tuyên*
Trường Kinh tế, Đại học Cần Thơ
*Tác giả liên hệ (Corresponding author): tuyenm4522033@gstudent.ctu.edu.vn
Thông tin chung (Article Information)
Nhận bài (Received): 01/06/2023
Sửa bài (Revised): 10/07/2023
Duyệt đăng (Accepted): 24/07/2023
Title: Application of Sarima model to
forecast Vietnam's fish meal export
volume
Author(s): Tran Dang Tuyen*
Affiliation(s): Can Tho University
Tập 59, Số 6D (2023): 237-247
TÓM TẮT
Nghiên cứu tập trung vào việc ứng dụng mô hình SARIMA để dự
báo sản lượng bột cá xuất khẩu của Việt Nam trong 8 tháng cuối
năm 2023 bằng phần mềm R, ngôn ngữ lập trình Python và gợi ý
từ Trí tuệ nhân tạo của OpenAI. Số liệu nghiên cứu thu thập từ
Tổng cục Hải quan Việt Nam giai đoạn tháng 01 năm 2018 đến
tháng 4 năm 2023. Kết quả nghiên cứu cho thấy mô hình phù hợp
nhất để dự báo là SARIMA(1,0,0)(1,0,0)12. Vận dụng mô hình dự
báo này cho kết quả với độ chính xác cao, gần đúng với sản lượng
xuất khẩu thực tế. Ngoài ra, nghiên cứu này cũng đề xuất một số
khuyến nghị đối với các nhà hoạch định chính sách xuất khẩu. Cụ
thể là các nhà hoạch định cần chú trọng đa dạng hoá thị trường
xuất khẩu, khai thác hiệu quả cơ hội từ các FTA, quy hoạch vùng
nuôi thủy sản hợp lý, điều tiết sản lượng bột cá xuất khẩu tránh sự
thiếu hụt trong nước, tạo sự nghịch lý khi phải nhập khẩu bột cá từ
các nước với số lượng lớn.
Từ khoá: Arima, bột cá, dự báo, hiệp định thương mại tự do,
Sarima, xuất khẩu
ABSTRACT
The study focuses on applying the SARIMA model to forecast the
export volume of fishmeal in Vietnam for the last 8 months of 2023,
using R software, Python programming language, and insights
from OpenAI's Artificial Intelligence. The research data was
collected from the General Department of Vietnam Customs from
January 2018 to April 2023. The research findings indicate that
the most suitable model for forecasting is SARIMA(1,0,0)(1,0,0)12.
Applying this forecasting model yields highly accurate results,
closely aligning with export volume. Furthermore, the study
proposes several recommendations for export policy planners.
Specifically, it emphasizes the importance of diversifying export
markets, effectively leveraging opportunities from Free Trade
Agreements (FTAs), implementing rational aquaculture zoning,
and regulating the export volume of fishmeal to avoid domestic
shortages and the paradoxical situation of large-scale imports of
fishmeal from other countries.
Keywords: Arima, export, fishmeal, forecast, fta, Sarima
237
Tạp chí Khoa học Đại học Cần Thơ Tập 59, Số 6D (2023): 237-247

thác tự nhiên ngày càng khan hiếm như hiện nay, thì
1. GIỚI THIỆU CHUNG
việc chủ động tìm nguồn cung thay thế từ phụ phẩm
Theo Cục Thủy sản (2022), tổng sản lượng bột con cá tra Việt Nam, với hàm lượng giá trị dinh
cá toàn cầu trong năm 2022 giảm so với năm 2021, dưỡng cao, mà giá thành cạnh tranh được xem là
ước đạt 4,83 triệu tấn, giảm so với 4,95 triệu tấn của “mỏ vàng” cho ngành công nghiệp chế biến. Không
năm 2021. Peru, nhà sản xuất bột cá và dầu cá lớn chỉ ngành hàng cá tra đông lạnh xuất khẩu đang từng
nhất thế giới, đã đặt hạn ngạch cao cho mùa cá cơm bước vươn mình tới các thị trường khó tính, mà các
đầu tiên của năm 2022, với tổng sản lượng khai thác sản phẩm “hậu duệ” như: bột cá, mỡ cá, dầu cá,
cho phép là 3,28 triệu tấn, tăng 9% so với hạn ngạch xương và nội tạng cá, cũng là những mặt hàng đang
năm 2021. Tuy nhiên, hoạt động đánh bắt cá vào đầu hút khách không tưởng. Thị trường trong và ngoài
năm 2022 bị trở ngại do thời tiết xấu và tỷ lệ cá con nước đang “khát” những sản phẩm này. Bởi đây là
nhiều. Điều này có nghĩa là ngư dân thu hoạch chậm nguồn nguyên liệu đầu vào, có giá trị rất cao được
so với kế hoạch trước khi mùa vụ kết thúc, chỉ đạt ứng dụng trong rất nhiều lĩnh vực: dược phẩm, y tế,
26% hạn ngạch ở tất cả các khu vực trung tâm quan dinh dưỡng, thức ăn chăn nuôi và phân bón (Tạp
trọng ở phía Bắc vào giữa tháng 5/2022. Và mùa chí điện tử Doanh nghiệp và Hội nhập, 2022).
khai thác kết thúc vào tháng 7 cùng năm, Peru chỉ
Công tác dự báo nhu cầu bán, cũng như nhu cầu
đạt hơn 30% hạn ngạch. Năm nay, sản lượng đánh
mua là hoạt động quan trọng đối với doanh nghiệp
bắt cá con cao, tỷ lệ cá con cao có liên quan đến sự
xuất khẩu thuỷ sản hiện nay trong việc lập kế hoạch
chênh lệch nhiệt độ nước hàng năm, nhưng đã gây
sản xuất. Hơn nữa cũng là cơ sở quan trọng đối với
lo ngại về việc đảm bảo sinh khối ổn định và duy trì
Chính phủ quy hoạch vùng nuôi cá tra hợp lý, điều
trữ lượng. Sản lượng đánh bắt cá con hiện ở mức
tiết sản lượng bột cá xuất khẩu tránh sự thiếu hụt
xấp xỉ 100.000 tấn ở khu vực trung tâm phía Bắc của
trong nước nhưng lại tăng cường xuất khẩu, tạo sự
Peru; nếu con số này lên tới 300.000 tấn thì mùa thu
nghịch lý khi phải nhập khẩu bột cá từ các thị trường
hoạch cá sẽ ngừng lại, chờ đến vụ thứ hai của năm
khác với sản lượng rất lớn.
bắt đầu vào tháng 11, ngay cả khi hạn ngạch chưa
đạt được. Chile, nhà cung cấp bột cá lớn thứ hai trên Nghiên cứu này được thực hiện nhằm dự báo sản
thế giới cũng sụt giảm tương tự. Trung Quốc là đích lượng bột cá xuất khẩu của Việt Nam trong 08 tháng
đến của thị trường bột cá toàn cầu với sức hấp thụ tiếp theo của năm 2023 thông qua mô hình hồi quy
hơn 50% tổng sản lượng, tiếp theo là các quốc gia tích hợp trung bình trượt có yếu tố thời
Châu Âu như NaUy, Bỉ, Đan Mạch,…(Globefish vụ (SARIMA-Seasonal Autoregressive Integrated
highlights, 2022). Phần lớn lượng bột cá này đang Moving Average). Số liệu nghiên cứu được thu thập
được cung cấp cho ngành nuôi trồng thủy sản trong từ Tổng cục Hải quan Việt Nam trong giai đoạn
nước và là ngành hàng đang tiếp tục phát triển mạnh tháng 01/2018 đến tháng 4/2023 (Bảng 1).
tại quốc gia này. Theo Cục Thủy sản (2022), trong
bối cảnh nguồn nguyên liệu sản xuất bột cá từ khai
Bảng 1. Số liệu xuất khẩu bột cá Việt Nam giai đoạn 2018-2023
Đơn vị tính: Tấn
Năm
Tháng
2018 2019 2020 2021 2022 2023
1 18.152,379 11.565,398 13.077,088 16.929,724 22.317,738 25.988,313
2 8.666,357 8.613,232 7.432,186 5.683,957 9.192,118 7.845,459
3 17.589,675 11.221,034 16.063,446 8.247,474 17.275,237 20.774,364
4 19.471,983 14.005,696 23.306,818 20.360,485 19.013,331 13.941,238
5 25.863,306 17.255,616 26.601,542 18.567,302 19.899,600 22.555,638
6 22.365,450 19.230,526 27.257,302 27.882,496 19.751,718 -
7 23.339,963 22.965,770 19.030,781 26.014,758 20.171,953 -
8 21.261,931 22.965,770 13.893,250 18.912,091 23.541,105 -
9 18.288,330 17.250,654 18.062,906 16.657,553 28.471,402 -
10 20.463,429 10.312,204 15.113,830 10.288,918 19.950,377 -
11 15.256,072 15.603,658 16.030,246 12.934,238 25.817,980 -
12 18.152,379 14.623,119 15.139,298 21.729,437 29.580,344 -
(Nguồn: Tổng cục Hải quan Việt Nam)

238
Tạp chí Khoa học Đại học Cần Thơ
Một số nhận xét về tình hình xuất khẩu bột cá
của Việt Nam hiện nay như sau: Thứ nhất, trong
giai đoạn tháng 01 năm 2018 đến cuối năm 2022,
xuất khẩu bột cá của Việt Nam vào các thị trường đã
ghi nhận sự tăng trưởng ổn định. Điều này cho thấy
sự phát triển và sự tin tưởng từ phía các doanh
nghiệp xuất khẩu và khách hàng. Thứ hai, thị trường
Trung Quốc là một thị trường rất tiềm năng và có
nhu cầu cao về nguồn cung cấp bột cá. Sự gia tăng
dân số, nhu cầu phát triển nông nghiệp nhất là lĩnh
vực nông nghiệp hữu cơ kéo theo nhu cầu ngày càng
tăng về phụ phẩm thủy sản, nó đóng vai trò quan
trọng trong việc thúc đẩy xuất khẩu bột cá từ Việt
Nam vào Trung Quốc. Nhận xét cuối cùng, tình
Hình 1. Đồ thị so sánh sản lượng xuất khẩu bột cá Việt Nam qua các thị trường lớn giai đoạn 2018-
2023
Các mô hình ARIMA có các thuộc tính cơ bản
giống như các mô hình chuỗi thời gian đơn giản
khác. Chúng có thể bao gồm các thành phần theo
chu kỳ, theo mùa và cơ sở toán học của mô hình
không quá phức tạp. Những mối quan hệ thích hợp
này đã ủng hộ việc áp dụng ARIMA để dự báo các
vấn đề khác nhau trong một số lĩnh vực khoa học,
bao gồm cả thủy sản. Bako et al. (2013) đã sử dụng
phương pháp Box-Jenkins để xây dựng đường trung
bình động tích hợp tự hồi quy theo mùa (SARIMA)
để theo dõi hàng tháng hai loài thủy sản cá hố
(Trichiurus lepturus) và cá mồi xanh (Amblygaster
leiogaster) ở vùng biển Malaysia từ năm 2007 đến
năm 2011. Họ đã đạt được dự báo ổn định cho cả hai
239
Tập 59, Số 6D (2023): 237-247
trạng xuất khẩu phụ phẩm trong thủy sản của Việt
Nam nói chung và bột cá nói riêng gần như phụ
thuộc hoàn toàn vào thị trường Trung Quốc, trong
khi đó Việt Nam vẫn còn tiềm năng để phát triển
lĩnh vực này ở các thị trường khác như Nhật Bản,
Thái Lan, …để tận dụng các cơ hội từ các Hiệp định
thương mại tự do (FTA-Free Trade Area), các doanh
nghiệp Việt Nam cần tập trung vào nâng cao chất
lượng sản phẩm, nghiên cứu và phát triển công nghệ
sản xuất, tăng cường quản lý chất lượng, đặc biệt
chú trọng việc tuân thủ các tiêu chuẩn quốc tế để
cung cấp sản phẩm đáp ứng nhu cầu ngày càng cao
của thị trường khó tính khác.
loài trong năm tháng tới. Hue et al. (2018) đã sử
dụng các chức năng tự tương quan và tự tương quan
một phần (ACF và PACF) để xây dựng các mô hình
ARIMA theo mùa để dự đoán sản lượng đánh bắt
tôm và cá trong tương lai ở hồ Songkhla, Thái Lan
từ năm 2017 đến 2020. Họ phát hiện ra rằng sản
lượng đánh bắt cá tăng đều đặn 36%, trong khi sản
lượng đánh bắt tôm giảm đều đặn 15%. Selvaraj et
al. (2020) đã xây dựng mô hình ARIMA để dự báo
chuỗi thời gian trở lại của cá cơm (Scomberomorus
sierra) và cá đối (Mugil Cephalus) ở vùng biển
Colombia bằng cách sử dụng dữ liệu lịch sử từ năm
1971 đến năm 2014. Họ phát hiện ra rằng cuộc đổ
bộ của cá cơm có xu hướng tăng cho đến năm 2029,
Tạp chí Khoa học Đại học Cần Thơ
trong khi cuộc đổ bộ của cá đối vẫn ổn định trong
cùng thời kỳ. Hầu như không có bất kỳ tài liệu
nghiên cứu nào có sẵn về dự báo sản lượng bột cá
xuất khẩu ở Việt Nam bằng cách sử dụng mô hình
SARIMA. Nghiên cứu này được thiết kế để phát
triển mô hình ARIMA (Autoregressive Integrated
Moving Average) có yếu tố mùa vụ sử dụng sản
lượng bột cá với dữ liệu lịch sử xuất khẩu dài hạn từ
Tổng cục Hải quan Việt Nam. Mô hình này được
chọn vì khả năng điều chỉnh xu hướng cục bộ trong
dữ liệu, mà dữ liệu trong giai đoạn trước có thể được
sử dụng để dự báo tương lai. Do nguồn dữ liệu có
tính mùa vụ của chuỗi thời gian được sử dụng,
SARIMA được chọn để phát triển. Mô hình này
cũng hỗ trợ việc mô hình hóa một khía cạnh dưới
dạng một hàm của thời gian.
2. MÔ HÌNH VÀ PHƯƠNG PHÁP
NGHIÊN CỨU
Mô hình nghiên cứu
Có nhiều mô hình khác nhau được ứng dụng
trong việc dự báo các dữ liệu chuỗi thời gian. Hiện
nay có nhiều phương pháp để dự báo hiệu quả độ trễ
tiếp theo của dữ liệu chuỗi thời gian, mỗi mô hình
dự báo đều có ưu và nhược điểm riêng. Tuy nhiên,
mô hình ARIMA rất phù hợp đối với những quan hệ
tuyến tính giữa dữ liệu hiện tại, dữ liệu quá khứ. Mô
hình ARIMA lần đầu tiên được đưa ra bởi Box-
Jenkins, nó được hình thành bởi sự kết hợp 3 thành
thành phần chính: AR (Augmented Reality-tự hồi
quy); I (Intergrated-tính dừng của chuỗi thời gian);
MA (Moving Average-trung bình trượt).
Quá trình tự hồi quy(AR): Mô hình tự tương
quan bậc p (viết tắt là AR(p)) là quá trình phụ thuộc
tuyến tính của các giá trị trễ của nó. Quá trình quá
tự hồi quy bậc p có dạng như sau:
Yt=c+ϕ1Yt−1+ϕ2Yt−2+⋯+ϕpYt−p+εt, (1)
trong đó εt là nhiễu trắng.
Đối với mô hình AR(1): Khi ϕ1=0, Yt tương
đương với nhiễu trắng; Khi ϕ1=1 và c=0, Yt tương
đương với bước ngẫu nhiên; Khi ϕ1=1 và c≠0, Yt
tương đương với bước ngẫu nhiên với trượt; Khi
ϕ1<0, Yt có xu hướng dao động quanh giá trị trung
bình.
Điều kiện để quá trình AR(p) dừng là -1< ϕi<1,
i=1,2,…p hay nghiệm của phương trình (i) nằm
trong vòng tròn đơn vị.
Quá trình trung bình trượt(MA): Mô hình trung
bình trượt bậc q, viết tắt là MA(q), là quá trình được
mô tả hoàn toàn bằng phương trình tuyến tính có
240
Tập 59, Số 6D (2023): 237-247
trọng số của các sai số ngẫu nhiên hiện hành và các
giá trị trễ của nó. Quá trình trung bình trượt-MA(q)-
bậc q là quá trình có dạng:
Yt=c+εt+θ1εt−1+θ2εt−2+⋯+θqεt−q, t=1,2,…n (2)
trong đó εt là nhiễu trắng.
Điều kiện để chuỗi là khả nghịch: -1<θi<1,
i=1,2,…q hay nghiệm của phương trình (2) nằm
trong vòng tròn đơn vị.
Quá trình trung bình trượt và tự hồi
quy(ARMA): Cơ chế để sản sinh ra Yt không chỉ là
AR hoặc MA mà có thể kết hợp cả 02 yếu tố này.
Khi kết hợp cả 02 yếu tố, mô hình được gọi là mô
hình trung bình trượt tự hồi quy ARMA. Yt là quá
trình ARMA(1,1) nếu Yt có thể biểu diễn dưới dạng:
Yt=θ+ϕ1Yt−1+θ0εt+θ1εt−1, (3)
trong đó εt là nhiễu trắng.
Tổng quát, Yt là quá trình ARMA(p,q) nếu Yt có
thể biểu diễn dưới dạng:
Yt=θ+ϕ1Yt−1+ϕ2Yt−2+…+ϕpYt−p+θ0εt+θ1εt−1+…
+θqεt−q, (4)
trong đó εt là nhiễu trắng.
Quá trình trung bình trượt, tích hợp, tự hồi quy
(ARIMA): Một chuỗi thời gian có thể dừng hoặc
không dừng. Chuỗi không dừng gọi là tích hợp bậc
1, được ký hiệu là I(1), nếu sai phân bậc 1 là chuỗi
dừng. Chuỗi được gọi là tích hợp bậc d, nếu sai phân
bậc d là một chuỗi dừng, ký hiệu I(d). Nếu d=0 thì
chuỗi xuất phát là chuỗi dừng. Nếu chuỗi Yt tích hợp
bậc d, áp dụng mô hình ARMA(p,q) cho chuỗi sai
phân bậc d thì có quá trình ARIMA(p,d,q). Trong đó
ARIMA(p,d,q), d là số lần sai phân chuỗi Yt để được
một chuỗi dừng, p là bậc tự hồi quy, q là bậc trung
bình trượt, p và q là bậc tương ứng của chuỗi dừng.
AR(p) là trường hợp đặc biệt của ARIMA(p,d,q),
khi d=0 và q=0. MA(q) là trường hợp đặc biệt của
ARIMA(p,d,q), khi d=0 và p=0.
Tổng quát hơn, nếu biết các tham số p, q, d, khi
đó ta có thể mô hình hoá được chuỗi Yt như sau:
Yt=c+ϕ1Yt−1+⋯+ϕpYt−p+θ1εt−1+⋯+θqεt−q+εt,
(5)
trong đó εt là nhiễu trắng.
Vấn đề đặt ra là xác định các tham số d, p, q và
các tham số θ, ϕ.
Quá trình trung bình trượt, tích hợp, tự hồi quy
và có yếu tố thời vụ (SARIMA): Từ phương trình (5),
trong đó Yt là chuỗi dừng khi lấy sai phân bậc d
Tạp chí Khoa học Đại học Cần Thơ Tập 59, Số 6D (2023): 237-247

chuỗi xuất phát. Ta viết lại phương trình trên dưới riêng phần (PACF-Partial Autocorrelation
dạng các toán tử trễ: Function) tại các trễ thường và trễ mùa vụ; thực hiện
kiểm định nghiệm đơn vị để xác định bậc tự hồi quy
(1-ϕ1L-ϕ2L2-…-ϕpLp)Yt =
p và tự hồi quy mùa vụ P, bậc trung bình trượt q và
ϕ0+(1+θ1L+…+θqLq)εt
trung bình trượt mùa vụ Q.
hay ϕp(L)Yt=ϕ0+θq(L)εt, (6)
Bước 2 – Ước lượng mô hình: Ước lượng các
Bây giờ ta sẽ mở rộng phương trình (6) trong tham số, nghiên cứu sử dụng phương pháp ước
trường hợp chuỗi có yếu tố thời vụ. lượng cực đại hợp lý để ước lượng giá trị các tham
số này.
Nếu chỉ có Yt có yếu tố thời vụ, khi đó phương
trình (6) có dạng: Bước 3 – Kiểm định: Kiểm định tính hợp lý của
mô hình SARIMA được lựa chọn, bao gồm kiểm
ϕp(L)(1-Ls)Yt=ϕ0+θq(L)εt, (7) định các tham số và kiểm định phần dư. Nếu kiểm
trong đó (1-L )Yt tạo ra chuỗi đã hiệu chỉnh yếu
s định mô hình được lựa chọn không thỏa mãn thì
tố thời vụ đối với Yt. quay lại từ giai đoạn nhận dạng để lựa chọn mô hình
khác hợp lý hơn.
Nếu chỉ có εt có yếu tố thời vụ, khi đó phương
trình (6) có dạng: Bước 4 – Dự báo: Dựa trên mô hình được lựa
chọn thực hiện dự báo giá trị tương lai của chuỗi dữ
ϕp(L)Yt=ϕ0+θq(L)(1-Ls)εt, (8) liệu mùa vụ, cũng như đưa ra khoảng tin cậy của dự
trong đó (1-L )εt, tạo ra chuỗi đã hiệu
s
báo. Giá trị tương lai có thể được dự báo cho thời
chỉnh yếu tố thời vụ đối với εt. điểm kế tiếp hoặc mùa vụ kế tiếp.
Nếu cả Yt và εt có yếu tố thời vụ, khi đó 3. KẾT QUẢ NGHIÊN CỨU
phương trình (6) có dạng:
Kiểm định tính dừng, tính xu thế và tính mùa
ϕp(L)(1-Ls)Yt=ϕ0+θq(L)(1-Ls)εt (9) vụ
Chu kỳ thời vụ s=12 hoặc 4 nếu chuỗi thời gian Dữ liệu được sử dụng là sản lượng xuất khẩu bột
quan sát theo tháng(hoặc quý). Mô hình trong cá của Việt Nam giai đoạn từ tháng 01 năm 2018
trường hợp này ký hiệu là SARIMA(p, d, q)(P, D, đến tháng 4 năm 2023, dữ liệu này được thu thập từ
Q)s, với P và Q lần lượt là bậc của thành phần mùa Tổng cục Hải quan Việt Nam với 63 quan sát (Hình
AR và MA, D là bậc sai phân có tính mùa, s là số 2)
thời đoạn trong một vòng chu kỳ (Diebold, 2006).
Bảng 3. Kết quả kiểm tra tính xu thế của chuỗi
Mô hình SARIMA đã thể hiện sự vượt trội của dữ liệu
mình về độ chính xác và độ chính xác trong việc dự
đoán độ trễ tiếp theo của chuỗi thời gian có yếu tố Kiểm định tính xu thế: MannKendall(ts.Total)
mùa vụ. Xác xuất thống
Thống kế tau
kê tau
Phương pháp nghiên cứu Mann-Kendall 2-sided p-value
tau = 0,129
Để xây dựng hàm dự báo, nghiên cứu này sử Trend Test =0,13497
dụng dữ liệu là sản lượng bột cá xuất khẩu của Việt Giá trị p-value=0,13497>0,05, kết luận chuỗi không có
Nam. Số liệu được thu thập Tổng cục Hải quan Việt tính xu thế ở mức ý nghĩa 5%.
Nam giai đoạn từ tháng 01 năm 2018 đến tháng 4 Bảng 4. Kết quả kiểm tra tính dừng của chuỗi dữ
năm 2023, bằng cách sử dụng phần mềm R và ngôn liệu
ngữ lập trình Python được thực hiện theo theo các
bước như sau: Kiểm định tính dừng: Augmented Dickey-Fuller
Test
Bước 1 – Nhận dạng mô hình: Xác định các giá data: ts.Total Thống kế t Xác xuất thống kê t
trị (d, D, p, P, q, Q). Trong đó, trước hết cần xác định Dickey-Fuller -4,0473 p-value=0,01327
bậc sai phân thường d, bậc sai phân theo mùa vụ D
Giá trị p-value=0,01327<0,05, kết luận chuỗi có tính
và thực hiện biến đổi chuỗi thành chuỗi dừng. Sau dừng ở mức ý nghĩa 5%.
đó, kiểm tra biểu đồ của hàm tự tương quan (ACF-
Autocorrelation Function) và hàm tự tương quan

241
Tạp chí Khoa học Đại học Cần Thơ Tập 59, Số 6D (2023): 237-247

Hình 2. Đồ thị sản lượng xuất khẩu bột cá Việt Nam

Căn cứ vào đồ thị phân bố cho thấy chuỗi dữ liệu xuất khẩu có yếu tố mùa vụ, không có yếu tố xu thế.

Bảng 5. Kết quả kiểm tra tính mùa vụ của chuỗi dữ liệu
# Elliot, Rothenberg and Stock Unit Root Test #
Test of type DF-GLS detrending of series with intercept and trend
Call:
lm(formula = dfgls.form, data = data.dfgls)
Residuals:
Min 1Q Median 3Q Max
-12736 -3458 -319 2706 8381
Coefficients:
Estimate Std. Error t value Pr(>|t|)
yd.lag -0,8998 0,2100 -4,284 7,59e-05 ***
yd.diff.lag1 0,3393 0,1872 1,813 0,0754 .
yd.diff.lag2 0,3016 0,1700 1,774 0,0817 .
yd.diff.lag3 0,1713 0,1501 1,141 0,2589
yd.diff.lag4 0,1965 0,1467 1,340 0,1859
Signif. codes: 0 ‘***’ 0,001 ‘**’ 0,01 ‘*’ 0,05 ‘.’ 0,1 ‘ ’ 1
Residual standard error: 5092 on 54 degrees of freedom
Multiple R-squared: 0,3376, Adjusted R-squared: 0,2763
F-statistic: 5.505 on 5 and 54 DF, p-value: 0,0003632
Value of test-statistic is: -4,2843
Critical values of DF-GLS are:
1pct 5pct 10pct
critical values -3,58 -3,03 -2,74
Giá trị p-value=0,0003632<0,01, kết luận chuỗi dữ liệu có tính mùa vụ ở mức ý nghĩa 1%.
Nhận dạng mô hình đường viền. Tuy nhiên, đến độ trễ thứ 12 lại khá lớn
và vượt ra ngoài đường viền, điều này cho thấy
Nhận dạng mô hình được thực hiện qua giản đồ
chuỗi dữ liệu nghiên cứu có tính thời vụ và chu kỳ
tự tương quan, kết quả tại Hình 3 cho thấy hệ số tự
lặp lại của chuỗi này là s=12.
tương quan từ độ trễ thứ 1 trở đi đều nằm trong

242
Tạp chí Khoa học Đại học Cần Thơ Tập 59, Số 6D (2023): 237-247

Từ kết quả phân tích đồ thị tự tương quan và tự
tương quan từng phần, nghiên cứu đề xuất một thuật
toán tìm kiếm các mô hình SARIMA dựa vào giá trị
AIC (Akaike Information Criterion), BIC (Bayesian
Information Criterion), RMSE (Root Mean Square
Error) và SSE (Sum of Square Errors) hợp lý trên
nền tảng ngôn ngữ lập trình Python, được tích hợp
sẵn trong R nhằm tìm kiếm các mô hình
SARIMA(p,d,q)(P,D,Q) cho chuỗi dữ liệu với s=12.
Sau đó dùng giá trị AIC và BIC bé nhất đề xuất mô
hình SARIMA tối ưu cho chuỗi dữ liệu dự báo.
(Thuật toán chi tiết xem phần phụ lục).

Hình 3. Giản đồ tự tương quan

Từ kết quả của thuật toán và thực nghiệm lại trên Bảng 6. Kết quả ước lượng mô hình chưa hiệu
phần mềm thống kê R, nghiên cứu đề xuất mô hình chỉnh
dự báo chuỗi dữ liệu là SARIMA(1,0,0)(1,0,0)12, AR1 SAR1 Hệ số chặn
với các chỉ số ước lượng Bảng 6 và giản đồ tương Hệ số:
0,4501 0,5174 18792,262
quan phần dư tại Hình 4. Qua đồ thị Standardized Độ lệch
residuals cho thấy tính đồng nhất của sai số, đồ thị 0,1115 0,1149 1758,898
chuẩn
ACF of residuals biểu thị sự tương quan tại các độ sigma^2 estimated as 19578083: log likelihood = -
trễ. Qua hai đồ thị này có thể kết luận mô hình dự 630,07, aic = 1268,14
báo đã bao gồm đủ thông tin và không cần điều
chỉnh thêm các tham số. Tương tự cho đồ thị Normal Ước lượng mô hình
Q-Q Plot of Std Residuals với các điểm trên đồ thị
phân bố đều xung quanh đường chéo và sai số có Kết quả ước lượng mô hình
tính gần với phân phối chuẩn. Đồ thị p-values for SARIMA(1,0,0)(1,0,0)12 qua Bảng 7 cho thấy các
chỉ số ước lượng có đều có ý nghĩa thống kê ở mức
Ljung-Box statistic cho các giá trị p-values lớn hơn
ngưỡng ý nghĩa 5% qua đó cho thấy không có bằng ý nghĩa là 1%.
chứng bác bỏ giả thiết rằng sai số là độc lập không
tự do và mô hình dự báo có thể xem là phù hợp.

243
Tạp chí Khoa học Đại học Cần Thơ Tập 59, Số 6D (2023): 237-247

Hình 4. Đồ thị và giản đồ tự tương quan phần dư của mô hình

Bảng 7. Kết quả ước lượng mô hình SARIMA(1,0,0)(1,0,0)12
Biến phụ thuộc: sarima(ts.Total,1,0,0,1,0,0,12)
Biến Hệ số Độ lệch chuẩn Thống kê t Xác suất thống kê t
AR(1) 0,4501 0,1115 4,0366 2e-04
SAR(1) 0,5174 0,1149 4,5013 0e+00
18792,2623 1758,8976 10,6841
Hệ số chặn 0e+00
AIC=19,81475 AICc=19,821 BIC=19,94968

Hình 5. Đồ thị và phân bố phần dư của mô hình

Kiểm định mô hình nhiễu trắng của mô hình. Thử nghiệm Ljung-Box,
Bảng 8 cho thấy giá trị thống kê Q=7,2445 và xác
Kiểm định các tham số theo Hình 5 tất cả các gốc xuất thống kê p-value=0,7789 lớn hơn rất nhiều số
đều nằm trong đường giới hạn, vì thế phần dư nó là

244
Tạp chí Khoa học Đại học Cần Thơ Tập 59, Số 6D (2023): 237-247

với 0,05. Do đó có thể kết luận phần dư của mô hình Dự báo

là độc lập.
Qua Bảng 9, nghiên cứu có một số nhận xét về
Bảng 8. Kết quả thử nghiệm Ljung-Box phần dư kết quả đo lường mức độ chính xác của dự báo. Chỉ
của mô hình số ME (Mean Error) = -14,99683<0, và MPE (Mean
Ljung-Box test data: Residuals from Percentage Error) = -9,173951<0 cho giá trị dự báo
ARIMA(1,0,0)(1,0,0)[12] with non-zero mean thấp hơn giá trị thực tế và % sai khác giữa giá trị dự
Q* df Xác suất thống kê Q báo và thực tế tương đương MPE≈9,2%<10%. Chỉ
số MASE (Mean Absolute Scaled Error) =
7,2445 11 0,7789
0,7679887<1, cho thấy mô hình dự báo tốt hơn mô
df mô hình: 2. Tổng trễ sử dụng: 13
hình hồi quy giản đơn. Kết quả ACF1
Kết quả kiểm định như Hình 6 các nghiệm thức (Autocorrelation Function at Lag 1) =
của AR đều nằm trong vòng tròn đơn vị. Do đó có 0,04048797≈0, có thể nói mô hình chuỗi dữ liệu dự
thể kết luận mô hình SARIMA(1,0,0)(1,0,0)12 phù báo không có tính tương quan tuyến tính đáng kể,
hợp với chuỗi dữ liệu nghiên cứu. phù hợp với mô hình ARIMA/SARIMA dự báo
chuỗi thời gian có tính chất ngẫu nhiên.
Xu hướng biến động sản lượng bột cá xuất khẩu
dự báo thể hiện Hình 7 cho thấy kết quả dự báo bám
sát với số liệu thực tế. Tuy nhiên, kết quả dự báo 03
tháng cuối năm 2022 và 04 tháng đầu năm 2023 có
nhiều khoảng dự báo sai khuynh hướng, gần như
cho kết quả dự báo trễ hơn 01 kỳ so với thực tế.
Nguyên nhân có thể mô hình chưa thể hiện chính
xác các biến động gần nhất, cũng như ước lượng kịp
thời xu hướng mới. Theo nghiên cứu đánh giá kết
quả dự báo không ảnh hưởng đến quá trình dự báo
(06 tháng hoặc 01 năm) và hiệu quả thực tế của kết
quả này. Do kết quả dự báo tiêu thụ bột cá gián tiếp
chỉ ra rằng người nuôi cá thương phẩm phải cân đối
Hình 6. Giản đồ tự tương quan của phần dư năng lực sản xuất (nuôi) của mình trong 01 chu kỳ
sản xuất (nuôi). Thông thường, hiện nay nuôi cá tra
từ 6-8 tháng, cá rô phi từ 5-6 tháng, tôm thẻ chân
trắng từ 4-6 tháng,…
Bảng 9. Đo lường mức độ chính xác của dự báo
Chỉ số ME RMSE MAE MPE MAPE MASE ACF1
Kết quả -14,99683 4424,713 3684,189 -9,173951 25,53735 0,7679887 0,04048797
Bảng 10. Kết quả dự báo năm 2023
Đơn vị tính: tấn
Tháng 5 6 7 8 9 10 11 12
Số liệu 20.724,54 20.152,31 21.540,05 23.930,95 19.450,36 22.453,74 24.385,74 22.520,73
Nam có xu hướng giảm so với năm 2022, như vậy
Nghiên cứu tiếp tục vận dụng mô hình SARIMA
các nhà hoạch định chính, doanh nghiệp xuất khẩu,
để dự báo sản lượng bột cá xuất khẩu của Việt Nam
người nuôi thủy sản có thể vận dụng kết quả này đề
trong giai đoạn tiếp theo từ tháng 5/2023 đến tháng
xuất chính sách hỗ trợ xuất khẩu, chủ động sản xuất
12/2023. Kết quả thể hiện qua Bảng 10, đồ thị dự
và có kế hoạch thả giống phù hợp.
báo Hình 8.
Qua đồ thị dự báo (Hình 8) cho thấy từ đây đến
cuối năm 2023 sản lượng xuất khẩu bột cá của Việt

245
Tạp chí Khoa học Đại học Cần Thơ
Hình 7. Đồ thị so sánh kết quả dự báo với giá trị thực tế năm 2018-2023
Hình 8. Đồ thị dự báo giai đoạn 5/2023 đến 12/2023
4. KẾT LUẬN VÀ KHUYẾN NGHỊ
Nghiên cứu cho thấy với chuỗi dữ liệu đã thu
thập thì mô hình SARIMA(1,0,0)(1,0,0)12 cho kết
quả dự báo bám sát với thực tế. Tuy nhiên, kết quả
dự báo trong nghiên cứu này chỉ là phương pháp nội
suy dựa trên dữ liệu. Đánh giá chung mô hình
ARIMA/SARIMA dự báo áp dụng thực tế đòi hỏi
nghiên cứu phải tinh chỉnh nhiều lần các tham số mô
hình và để có thể cải thiện độ chính xác của dự báo
cần nghiên cứu thêm các phương pháp dự báo
khác như Transformer, LSTM (Long short-term
memory), Prophet hoặc các mô hình máy học tiên
tiến khác. Từ đó có thể so sánh kết quả dự báo này
nhằm xác định một phương pháp dự báo tối ưu nhất.
Kết quả dự báo của mô hình cho thấy sản lượng xuất
khẩu bột cá của Việt Nam với 08 tháng cuối năm
246
Tập 59, Số 6D (2023): 237-247
2023 có xu hướng giảm so cùng kỳ năm 2022, điều
đó cho chúng ta thấy tình hình xuất khẩu bột cá nói
riêng và xuất khẩu thủy sản nói chung có dấu hiệu
suy yếu rõ rệt. Theo kết quả dự báo trong khoảng
thời gian từ tháng 3 năm 2022 đến 4 năm 2023 cho
kết quả trễ hơn một kỳ so với thực tế. Kết quả này
cũng phản ánh hạn chế của mô hình SARIMA đối
với chuỗi dữ liệu ổn định, ít biến động lớn. Theo
nghiên cứu nhận định, do thực tế xuất khẩu bột cá
của Việt Nam phụ thuộc hoàn toàn vào thị trường
Trung Quốc, khi Trung Quốc thay đổi các chính
sách lập tức ảnh hưởng đến tình hình xuất khẩu của
Việt Nam, cụ thể từ ngày 01/01/2022 Trung Quốc
chính thức áp dụng Lệnh 248 (Quy định Đăng ký
doanh nghiệp nhập khẩu thực phẩm) và Lệnh 249
(Biện pháp quản lý an toàn thực phẩm nhập khẩu).
Theo đó toàn bộ doanh nghiệp nước ngoài xuất khẩu
Tạp chí Khoa học Đại học Cần Thơ
sang Trung Quốc đều phải đăng ký với Hải quan
Trung Quốc và cơ quan này yêu cầu các mặt hàng
thực phẩm, trong đó có nông sản, bột cá, nhập khẩu
vào nước này phải đáp ứng quy định mới về đăng
ký, kiểm tra, dán nhãn, công nhận và cấp mã số. Như
vậy, giao dịch hàng hóa, nông sản vào thị trường
đông dân nhất thế giới đang có rất nhiều tiêu chuẩn
kỹ thuật khắt khe, không còn “dễ tính” như trước.
Đặc biệt, cánh cửa xuất khẩu tiểu ngạch qua đường
biên mậu sẽ khép lại, các doanh nghiệp Việt Nam
phải xây dựng tiêu chuẩn, thay đổi cách thức sản
xuất để đáp ứng các yêu cầu mới có thể tiếp tục xuất
khẩu ổn định sang thị trường này (Bộ Ngoại giao
Việt Nam, 2021). Đều này dẫn đến nguyên nhân
hàng hóa bị ùn ứ, đình trệ ở các cửa khẩu của Việt
Nam và từ quý 2 năm 2023 các doanh nghiệp xuất
TÀI LIỆU THAM KHẢO
Bako, H. Y., Rusiman, M. S., Kane, I. L., & Matias-
Peralta, H. M. (2013). Predictive modeling of
pelagic fish catch in Malaysia using seasonal
ARIMA models. Agric. Forest. Fish. 2(3), 136–
140.
https://doi.org/10.11648/j.aff.20130203.13
Bộ Ngoại giao Việt Nam. (2021). Trung Quốc áp
dụng quy định mới về xuất nhập khẩu từ
1/1/2022, doanh nghiệp cần lưu ý điều gì?.
https://ngkt.mofa.gov.vn/trung-quoc-ap-dung-
quy-dinh-moi-ve-xuat-nhap-khau-tu-1-1-2022-
doanh-nghiep-can-luu-y-dieu-gi/
Box, G. E. P., Jenkins, G. M., & Reinsel, G. C.
(2008). Time series analysis: forecasting and
control (4th ed.). New Jersey, USA: John Wiley
& Sons. https://doi.org/10.1002/9781118619193
ChatGPT ver 24. (2023).
https://chat.openai.com
Chính phủ Việt Nam. (2023). Công điện về việc tiếp
tục thực hiện quyết liệt, hiệu quả các nhiệm vụ,
giải pháp tháo gỡ khó khăn cho sản xuất, kinh
doanh của người dân, doanh nghiệp của Thủ
tướng Chính phủ Phạm Minh Chính (Số 470/CĐ-
TTg, ngày 26/5/2023).
https://baochinhphu.vn/thu-tuong-chi-dao-quyet-
liet-thao-go-kho- khan-cho-san-xuat-kinh-
doanh-102230526175333845.htm
Cục Thủy sản. (2022). Thị trường bột cá và dầu cá thế
giới: Giá cao, nguồn cung cấp không ổn định.
https://tongcucthuysan.gov.vn/vi-vn/tin-
t%E1%BB%A9c/-ngh%E1%BB%81-c%C3%A1-
th%E1%BA%BF-gi%E1%BB%9Bi/doc-
tin/018324/2022-12-20/thi-truong-bot-ca-va-dau-ca-
the-gioi-gia-cao-nguon-cung-khong-on-dinh
247
Tập 59, Số 6D (2023): 237-247
khẩu của Việt Nam mới đầu xuất khẩu bình thường
cho thị trường Trung Quốc.
Xuất khẩu bột cá nói riêng và các sản phẩm nông
nghiệp của Việt Nam đang đứng trước tình hình kinh
tế thế giới tiếp tục biến động phức tạp, khó lường,
tác động, ảnh hưởng tiêu cực đến sự phục hồi và
triển vọng tăng trưởng kinh tế toàn cầu; ở trong nước
còn nhiều khó khăn, thách thức do chịu tác động kép
cả từ các yếu tố bên ngoài và những hạn chế, bất cập
nội tại của nền kinh tế (Chính phủ Việt Nam, 2023).
Do vậy phương pháp dự báo cần phải xem xét
đến các yếu tố bên ngoài, các chính sách và hạn chế
nội tại của nền kinh tế nước nhà và thế giới
Diebold, F. X. (2006). Elements of Forecasting
(Fourth Edition). Thomson South-Western.
Globefish highlights(n.d). International Markets for
Fisheries and Aquacuture Products, Second
Issue 2022.
https://www.fao.org/3/cc1350en/cc1350en.pdf
Hue, H., Pradit, S., Lim, A., Gonçalo, C., &
Nitiratsuwan, T. (2018). Shrimp and fish catch
landing trends in Songkhla Lagoon, Thailand
during 2003-2016. Applied Ecology
Environmental Research, 16(3), 3061-3078.
https://doi.org/10.15666/aeer/1603_30613078
Selvaraj, J. J., Arunachalam, V., Coronado-Franco,
K. V., Romero-Orjuela, L. V., & Ramírez-Yara,
Y. N. (2020a). Time-series modeling of fishery
landings in the Colombian Pacific ocean using an
ARIMA model. Regional Studies in Marine
Science, 39, 101477.
https://doi.org/10.1016/j.rsma.2020.101477
Selvaraj, J. J., Arunachalam, V., Coronado-Franco,
K. V., Romero-Orjuela, L. V., Ramírez-Yara, Y.
N. (2020b). Time-series modeling of fishery
landings in the Colombian Pacific ocean using an
ARIMA model. Regional Studies in Marine
Science, 39, 101477.
https://doi.org/10.1016/j.rsma.2020.101477
Tạp chí điện tử Doanh nghiệp và Hội nhập. (2022).
Khi sản phẩm phụ cá tra trở thành “mỏ vàng”
trong công nghiệp chế biến.
https://doanhnghiephoinhap.vn/khi-san-pham-
phu-ca-tra-tro-thanh-mo-vang-trong-cong-
nghiep-che-bien.html
Tổng cục Hải quan Việt Nam. (2018, 2019, 2020,
2021, 2022, 2023). Dữ liệu bột cá xuất khẩu –
HS 230120.